PyTorch中用于图像分类的深度主动学习工具包 这是用编写的用于图像分类的深度主动学习的代码库。 我想强调的是，该工具包只是最初由Prateek Munjal等人通过电子邮件与我共享的工具包的轻量级衍生产品。 论文“使用神经网络实现鲁棒和可再现的主动学习”的作者，请。 介绍 该存储库的目标是为深度主动学习提供一个简单而灵活的代码库。 它旨在支持快速实施和评估研究思路。 我们还提供了大量基准结果（即将推出）。 该代码库当前仅支持单机单gpu培训。 我们将很快将其扩展到由PyTorch分布式软件包提供支持的单机多GPU培训。 使用工具箱 有关简要的安装说明和基本用法示例，请参见 。 支持的主动学习方法 不确定性抽样 最不信任 最低保证金 最大熵 深度贝叶斯主动学习（DBAL）[1] 贝叶斯主动学习的分歧（BALD）[1] 多样性抽样 核心组（贪婪）[2] 变式对抗主动学习（VAAL）

深度主动学习 以下主动学习算法的Python实现： 随机抽样 最不信任[1] 保证金抽样[1] 熵采样[1] 具有辍学估计的不确定性采样[2] 贝叶斯主动学习分歧[2] K均值采样[3] K中心贪婪[3] 核心套装[3] 对抗-基本的迭代方法 对抗性-DeepFool [4] 先决条件 numpy的1.14.3 scipy 1.1.0 火炬0.4.0 火炬视觉0.2.1 scikit学习0.19.1 ipdb 0.11 用法 $ python run.py 参考 [1]一种新的深度学习主动标记方法，IJCNN，2014年 [2]使用图像数据进行深度贝叶斯主动学习，ICML，2017年 [3]卷积神经网络的主动学习：核心集方法，ICLR，2018年 [4]深度网络的对抗式主动学习：基于边际的方法，arXiv，2018年